基于深度强化学习的单通道EEG信号自动睡眠分期算法

目前,基于脑电(EEG)信号的人体睡眠分期方法呈现出单通道和网络模型深度化的趋势,然而单通道信息采集使得EEG失去大脑区域的位置信息,EEG中表征睡眠阶段的特征因趋向稀疏化而难以提取,同时深度网络的共性问题——模型及其训练的超参数的人工设定使得训练过程盲目且低效,这些问题导致自动睡眠分期方法的准确率低。为此,提出利用密集连接网络(DenseNet)对模型层间特征重用功能,挖掘深藏于EEG信号中的睡眠状态信息,针对单通道EEG信号在频域上的低频特性以及时域上长程依赖特性,对DenseNet模型进行了改进,实现了人体睡眠的快速和精确分期;为进一步提升DenseNet性能,使用深度确定性策略梯度(DDPG)算法,在网络学习训练过程中利用强化学习思想对DenseNet关键超参数进行在线优化和自动调节。实验结果表明,该算法模型在Sleep-EDFx数据集上的分期准确率达到了89.23%,总体效果优于近年来其他先进分期算法,表现出良好的应用前景。